视觉原型建站的多模态编码智能体评测
193 个视觉原型建站任务（静态页 100 / 交互前端 66 / 全栈 27），视觉分（VLM 评审）+ 功能分（GUI agent 驱动 1,255 个测试用例）计分，层级越高任务越长程。
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
共收录 3 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3.8-Flash-Next 被发布文定位为迈向极致性价比的全新架构预览（GDN+QSA 混合注意力、N-gram Embedding、Muon 优化器），为 Qwen4 架构探路。评测覆盖代理编码/办公、多模态代理与通用推理：SWE-bench Pro 62.5、CoWorkBench 73.9、Toolathlon Verified 73.5、AndroidWorld 84.5。
Microsoft AI / MAI·国际
发布文自述定位是内置在 GitHub Copilot 与 VS Code 里的 "small, efficient, coding workhorse"（小而高效的编码工作马）。卡上收录的 5 项评测覆盖真实 Issue 修复、终端操作与视觉建站：SWE-bench Verified 72.6%、Terminal Bench 2.1 62.9%（与前代同在 GitHub Copilot 生产 VS Code harness 下自报，1.0 为 71.6%/51.7%），价格约为 1.0 的四分之一。
Alibaba / Qwen·国内
通义将 Qwen3.8-Max 定位为当前 Qwen 家族最强大的模型，基于 Qwen 3.5 架构将参数规模扩展至 2.4 万亿（激活参数 95B），在编程、办公、科研与长周期任务上全面提升，并成为首个开源权重的 Qwen-Max 级模型（权重于下周发布）。已收录评测覆盖智能体编码与办公、多模态理解与操作、视频理解及长上下文等领域，Terminal-Bench 2.1 86.6、PaperBench 93。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。